圖像閾值分割方法(基于閾值的圖像分割方法)
1.基于閾值的圖像分割方法有哪些
去百度文庫，查看完整內容>
內容來自用戶：天使小白很黑
第1章相關知識
1.1圖像分割的概述
在對圖像的研究和應用中，人們往往僅對圖像中的某些部分感興趣，這些部分稱為目標或前景（其他部分稱為背景>；，他們一般對應圖像中特定的、具有獨特性質的區(qū)域。為了辨識和分析目標，需要將他們分離提取出來，在此基礎上才有可能對目標進一步利用。圖像分割就是指把圖像分成格局特性的區(qū)域并提取出感興趣目標的技術和過程。這里特性可以是象素的灰度、顏色、紋理等，預先定義的目標可以對應單個區(qū)域，也可以對應多個區(qū)域?，F(xiàn)有的圖像分割算法有：閾值分割、邊緣檢測和區(qū)域提取法。本文著重研究基于閾值法的圖像分割技術。
所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個互不相交的區(qū)域，使得這些特征在同一區(qū)域內，表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同。簡單的講，就是在一幅圖像中，把目標從背景中分離出來，以便于進一步處理。圖像分割是圖像處理與計算機視覺領域低層次視覺中最為基礎和重要的領域之一，它是對圖像進行視覺分析和模式識別的基本前提。同時它也是一個經典難題，到目前為止既不存在一種通用的圖像分割方法，也不存在一種判斷是否分割成功的客觀標準。
閾值法是一種傳統(tǒng)的圖像分割方法，因其實現(xiàn)簡單、計算量小、性能較穩(wěn)定而成為圖像分割中最基本和應用最廣泛的分割技術。已被應用于很多的領域，例如，在紅外技術應用中，紅外無損檢測中紅外熱圖像的分割，紅外成像跟蹤系統(tǒng)中目
2.基于閾值的圖像分割方法有哪些
主要是三類1） 基于點的全局閾值方法；2） 基于區(qū)域的全局閾值方法3） 局部閾值方法和多閾值方法1）基于點的全局閾值方法p-分位數(shù)法1962年Doyle提出的p-分位數(shù)法是最古老的一種閾值選取方法迭代方法選取閾值初始閾值選取為圖像的平均灰度T0，然后用T0將圖像的象素點分作兩部分，計算兩部分各自的平均灰度，小于T0的部分為TA，大于T0的部分為TB，將T1 作為新的全局閾值代替T0，重復以上過程，如此迭代，直至TK 收斂直方圖凹面分析法最大類間方差法熵方法最小誤差閾值矩量保持法模糊集方法2） 基于區(qū)域的全局閾值方法二維熵閾值分割方法簡單統(tǒng)計法直方圖變化法松弛法3） 局部閾值方法和多閾值方法局部閾值（動態(tài)閾值）閾值插值法水線閾值算法多閾值法 基于小波的多域值方法 基于邊界點的遞歸多域值方法 均衡對比度遞歸多域值方法。
3.圖像分割的分割方法
灰度閾值分割 法是一種最常用的并行區(qū)域技術，它是圖像分割中應用數(shù)量最多的一類。
閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：其中，T為閾值，對于物體的圖像元素g(i,j)=1，對于背景的圖像元素g(i,j)=0。由此可見，閾值分割算法的關鍵是確定閾值，如果能確定一個合適的閾值就可準確地將圖像分割開來。
閾值確定后，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素并行地進行，分割的結果直接給出圖像區(qū)域。閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。
在重視運算效率的應用場合（如用于硬件實現(xiàn)），它得到了廣泛應用。人們發(fā)展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。
全局閾值是指整幅圖像使用同一個閾值做分割處理，適用于背景和前景有明顯對比的圖像。它是根據(jù)整幅圖像確定的：T=T(f)。
但是這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其它一些方法。
在許多情況下，物體和背景的對比度在圖像中的各處不是一樣的，這時很難用一個統(tǒng)一的閾值將物體與背景分開。這時可以根據(jù)圖像的局部特征分別采用不同的閾值進行分割。
實際處理時，需要按照具體問題將圖像分成若干子區(qū)域分別選擇閾值，或者動態(tài)地根據(jù)一定的鄰域范圍選擇每點處的閾值，進行圖像分割。這時的閾值為自適應閾值。
閾值的選擇需要根據(jù)具體問題來確定，一般通過實驗來確定。對于給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當直方圖明顯呈現(xiàn)雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。
圖1(a)和（b）分別為用全局閾值和自適應閾值對經典的Lena圖像進行分割的結果。 區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域技術，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結果進行判斷而確定。
區(qū)域生長 區(qū)域生長的基本思想是將具有相似性質的像素集合起來構成區(qū)域。具體先對每個需要分割的區(qū)域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據(jù)某種事先確定的生長或相似準則來判定）合并到種子像素所在的區(qū)域中。
將這些新像素當作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區(qū)域就長成了。
區(qū)域生長需要選擇一組能正確代表所需區(qū)域的種子像素，確定在生長過程中的相似性準則，制定讓生長停止的條件或準則。相似性準則可以是灰度級、彩色、紋理、梯度等特性。
選取的種子像素可以是單個像素，也可以是包含若干個像素的小區(qū)域。大部分區(qū)域生長準則使用圖像的局部性質。
生長準則可根據(jù)不同原則制定，而使用不同的生長準則會影響區(qū)域生長的過程。區(qū)域生長法的優(yōu)點是計算簡單，對于較均勻的連通目標有較好的分割效果。
它的缺點是需要人為確定種子點，對噪聲敏感，可能導致區(qū)域內有空洞。另外，它是一種串行算法，當目標較大時，分割速度較慢，因此在設計算法時，要盡量提高效率。
區(qū)域分裂合并 區(qū)域生長是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實現(xiàn)目標提取。分裂合并差不多是區(qū)域生長的逆過程：從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn)目標提取。
分裂合并的假設是對于一幅圖像，前景區(qū)域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素。當所有像素點或者子區(qū)域完成判斷以后，把前景區(qū)域或者像素合并就可得到前景目標。
在這類方法中，最常用的方法是四叉樹分解法（如圖3所示）。設R代表整個正方形圖像區(qū)域，P代表邏輯謂詞。
基本分裂合并算法步驟如下：（1）對任一個區(qū)域，如果H(Ri)=FALSE就將其分裂成不重疊的四等份；（2）對相鄰的兩個區(qū)域Ri和Rj，它們也可以大小不同（即不在同一層），如果條件H(Ri∪Rj)=TRUE滿足，就將它們合并起來。（3）如果進一步的分裂或合并都不可能，則結束。
分裂合并法的關鍵是分裂合并準則的設計。這種方法對復雜圖像的分割效果較好，但算法較復雜，計算量大，分裂還可能破壞區(qū)域的邊界。
圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，表明一個區(qū)域的終結，也是另一個區(qū)域開始的地方。這種不連續(xù)性稱為邊緣。
不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。圖像中邊緣處像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導數(shù)來檢測到。
對于階躍狀邊緣，其位置對應一階導數(shù)的極值點，對應二階導數(shù)的過零點（零交叉點）。因此常用微分算子進行邊緣檢測。
常用的一階微分算子有Roberts算子、Prewitt算子和Sobel算子，二階微分算子有Laplace算子和Kirsh算子等。在實際中各種微分算子常用小區(qū)域模板來表示，微分運算是利用模板和圖像卷積來實現(xiàn)。
這些算子對噪聲敏感，只適合于噪聲較小不太復雜的圖像。由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。
4.幾種圖像閾值分割算法的實現(xiàn)與比較
摘要：圖像分割是進行圖像分析的關鍵步驟，也是進一步理解圖像的基礎。
該文主要論述了常用的幾種圖像閾值分割的算法及原理，并以研究瀝青混合料的集料特征為背景，從實驗角度對圖像閾值分割的直方圖閾值法、迭代法和大津法進行了分析比較，得出了結論。關鍵詞：圖像分割；直方圖閾值法；迭代法；大津法中圖分類號：TP391 文獻標識碼：A文章編號：1009-3044(2011)13-3109-03Achieve and Comparison of Image Segmentation Thresholding MethodCHEN Ning-ning(Department of Technology, Xi'an International University, Xi'an 710077, China)Abstract: Image segmentation is a key step for image analysis, Is also the basis for further understanding of the image. In this paper, discusses several commonly used image segmentation algorithms and theory, and to study the aggregate asphalt mixture characteristics of the background, experimental results are shown to compare histogram threshold, Iteration method and the Otsu.Key words: image segmentation; histogram threshold; iteration method; Otsu1 概述圖像分割是進行圖像分析的關鍵步驟，也是進一步理解圖像的基礎。
5.2.直方圖閾值化方法進行圖像分割的適用范圍是什么
常用方法有： 1） 以區(qū)域為對象進行分割，以相似性原則作為分割的依據(jù)，即可根據(jù)圖像的灰度、色彩、變換關系等方面的特征相似來劃分圖像的子區(qū)域，并將各像素劃歸到相應物體或區(qū)域的像素聚類方法，即區(qū)域法； 2） 以物體邊界為對象進行分割，通過直接確定區(qū)域間的邊界來實現(xiàn)分割； 3） 先檢測邊緣像素，再將邊緣像素連接起來構成邊界形成分割。
具體的閾值分割： 閾值分割方法分為以下3類： 1） 全局閾值：T=T[p(x,y)〕，即僅根據(jù)f(x,y)來選取閾值，閾值僅與各個圖像像素的本身性質有關。 2） 局部閾值：T=T[f(x,y),p(x,y)]，閾值與圖像像素的本身性質和局部區(qū)域性質相關。
3） 動態(tài)閾值：T=T[x,y,f(x,y),p(x,y)]，閾值與像素坐標，圖像像素的本身性質和局部區(qū)域性質相關。 全局閾值對整幅圖像僅設置一個分割閾值，通常在圖像不太復雜、灰度分布較集中的情況下采用；局部閾值則將圖像劃分為若干個子圖像，并對每個子圖像設定局部閾值；動態(tài)閾值是根據(jù)空間信息和灰度信息確定。
局部閾值分割法雖然能改善分割效果，但存在幾個缺點： 1） 每幅子圖像的尺寸不能太小，否則統(tǒng)計出的結果無意義。 2） 每幅圖像的分割是任意的，如果有一幅子圖像正好落在目標區(qū)域或背景區(qū)域，而根據(jù)統(tǒng)計結果對其進行分割，也許會產生更差的結果。
3） 局部閾值法對每一幅子圖像都要進行統(tǒng)計，速度慢，難以適應實時性的要求。 全局閾值分割方法在圖像處理中應用比較多，它在整幅圖像內采用固定的閾值分割圖像。
考慮到全局閾值分割方法應用的廣泛性，本文所著重討論的就是全局閾值分割方法中的直方圖雙峰法和基于遺傳算法的最大類間方差法。在本節(jié)中，將重點討論灰度直方圖雙峰法，最大類間方差法以及基于遺傳算法的最大類間方差法留待下章做繼續(xù)深入地討論。
6.閾值分割的概述
圖像閾值化分割是一種傳統(tǒng)的最常用的圖像分割方法，因其實現(xiàn)簡單、計算量小、性能較穩(wěn)定而成為圖像分割中最基本和應用最廣泛的分割技術。它特別適用于目標和背景占據(jù)不同灰度級范圍的圖像。它不僅可以極大的壓縮數(shù)據(jù)量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特征提取與模式識別之前的必要的圖像預處理過程。圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，得到的每個子集形成一個與現(xiàn)實景物相對應的區(qū)域，各個區(qū)域內部具有一致的屬性，而相鄰區(qū)域不具有這種一致屬性。這樣的劃分可以通過從灰度級出發(fā)選取一個或多個閾值來實現(xiàn)。
基本原理是：通過設定不同的特征閾值，把圖像象素點分為若干類。
常用的特征包括：直接來自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征。
設原始圖像為f(x,y)，按照一定的準則f(x,y)中找到特征值T，將圖像分割為兩個部分，分割后的圖像為：
若?。篵0=0（黑），b1=1（白），即為我們通常所說的圖像二值化。
